Yelp餐饮社区网络数据挖掘研究
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 归纳用户就餐行为模式与语义信息 | 第11-12页 |
| 1.2.2 设计更高效的餐馆推荐系统 | 第12页 |
| 1.2.3 餐饮数据的社会计算 | 第12-13页 |
| 1.2.4 机器学习解决Yelp社区实际问题 | 第13-14页 |
| 1.3 本文的主要工作 | 第14页 |
| 1.4 论文的章节安排 | 第14-15页 |
| 1.5 本章小结 | 第15-16页 |
| 第2章 在线餐饮Yelp数据集 | 第16-22页 |
| 2.1 引言 | 第16页 |
| 2.2 Yelp在线餐饮数据集简介 | 第16-20页 |
| 2.3 Yelp在线餐饮数据集统计特征 | 第20-21页 |
| 2.4 本章小结 | 第21-22页 |
| 第3章 社区用户声誉与行为模式分析 | 第22-33页 |
| 3.1 引言 | 第22页 |
| 3.2 用户就餐行为分析 | 第22-27页 |
| 3.2.1 用户就餐时的地理迁移模式 | 第22-24页 |
| 3.2.2 用户就餐时的口味转移模式 | 第24-26页 |
| 3.2.3 用户行为模式的熵度量 | 第26-27页 |
| 3.3 用户就餐行为规律 | 第27-30页 |
| 3.4 用户声誉与行为的关系 | 第30-32页 |
| 3.5 本章小结 | 第32-33页 |
| 第4章 用户行为影响力的度量 | 第33-46页 |
| 4.1 引言 | 第33页 |
| 4.2 研究方法 | 第33-38页 |
| 4.2.1 工具变量法 | 第33-35页 |
| 4.2.2 模型概况 | 第35-38页 |
| 4.3 用户行为的标定 | 第38-41页 |
| 4.3.1 工具变量 | 第38页 |
| 4.3.2 响应变量 | 第38-39页 |
| 4.3.3 解释变量 | 第39-40页 |
| 4.3.4 控制变量 | 第40-41页 |
| 4.4 实验过程与结果分析 | 第41-45页 |
| 4.4.1 不同性别用户关于口味的行为影响 | 第41-42页 |
| 4.4.2 不同性别用户关于消费的行为影响 | 第42-43页 |
| 4.4.3 网络结构对用户行为的影响 | 第43-45页 |
| 4.5 本章小结 | 第45-46页 |
| 第5章 融合用户行为信息的餐馆推荐算法实现 | 第46-57页 |
| 5.1 引言 | 第46页 |
| 5.2 传统推荐算法 | 第46-49页 |
| 5.2.1 基于协同过滤的推荐 | 第46-48页 |
| 5.2.2 基于模型的推荐 | 第48-49页 |
| 5.3 改进的推荐算法实现 | 第49-54页 |
| 5.3.1 构建就餐行为序列网络 | 第50-51页 |
| 5.3.2 网络的表征学习 | 第51-52页 |
| 5.3.3 融合用户行为信息 | 第52-53页 |
| 5.3.4 构建融合信息的推荐算法 | 第53-54页 |
| 5.4 实验结果分析 | 第54-56页 |
| 5.5 本章小结 | 第56-57页 |
| 第6章 总结与展望 | 第57-59页 |
| 6.1 总结 | 第57-58页 |
| 6.2 展望 | 第58-59页 |
| 参考文献 | 第59-64页 |
| 致谢 | 第64-65页 |
| 攻读学位期间参加的科研项目和成果 | 第65页 |
